Python人脸识别：从入门到工程实践

✍ Scribed by 王天庆

• Publisher: 机械工业出版社
• Year: 2019
• Tongue: Chinese
• Leaves: 263
• Series: 智能系统与技术丛书
• Category: Library

✦ Synopsis

这是一本面向初学者的人脸识别工具书，不仅适合零基础的读者快速入门，还适合有一定基础的读者使其迅速达到可以进行工程实践的水平。

作者就职于某世界100强企业，在人脸识别方面积累了丰富的工程实践经验。本书不仅详细介绍了机器学习、深度学习、计算机视觉、人脸识别等方面的原理、技术和算法，而且还通过相关的实战案例讲解了如何进行人脸识别方面的实践，以及如何将做好的模型应用于工程实践中。同时，本书还提供了大量简洁、精炼的代码，能帮助读者从零开始实现一个工程级别的人脸识别引擎。

全书一共8章：

第1章介绍了人脸识别的基础知识和必备常识；

第2~4章详细讲解了与人脸识别相关的数学、机器学习、计算机视觉、OpenCV相关的基础和算法；

第5章讲解了深度学习的原理以及使用Keras实现深度学习模型的方法；

第6章介绍了常用的人脸识别算法；

第7~8章详细讲解了人脸识别引擎...

这是一本面向初学者的人脸识别工具书，不仅适合零基础的读者快速入门，还适合有一定基础的读者使其迅速达到可以进行工程实践的水平。

作者就职于某世界100强企业，在人脸识别方面积累了丰富的工程实践经验。本书不仅详细介绍了机器学习、深度学习、计算机视觉、人脸识别等方面的原理、技术和算法，而且还通过相关的实战案例讲解了如何进行人脸识别方面的实践，以及如何将做好的模型应用于工程实践中。同时，本书还提供了大量简洁、精炼的代码，能帮助读者从零开始实现一个工程级别的人脸识别引擎。

全书一共8章：

第1章介绍了人脸识别的基础知识和必备常识；

第2~4章详细讲解了与人脸识别相关的数学、机器学习、计算机视觉、OpenCV相关的基础和算法；

第5章讲解了深度学习的原理以及使用Keras实现深度学习模型的方法；

第6章介绍了常用的人脸识别算法；

第7~8章详细讲解了人脸识别引擎的实现方法以及如何将做好的模型进行工程化。

✦ Table of Contents

封面
书名
版权
前言
目录
第1章 人脸识别入门
1.1 人脸识别概况
1.1.1 何为人脸识别
1.1.2 人脸识别的应用
1.1.3 人脸识别的目标
1.1.4 人脸识别的一般方法
1.2 人脸识别发展状况
1.2.1 人脸识别历史沿革
1.2.2 DT时代的呼唤
1.2.3 计算机视觉的新起点
1.3 本章小结
第2章 数学与机器学习基础
2.1 矩阵
2.1.1 矩阵的形式
2.1.2 行列式
2.1.3 转置
2.1.4 矩阵的一般运算
2.2 向量
2.2.1 向量的形式
2.2.2 向量的点乘
2.2.3 向量的范数
2.3 距离度量
2.3.1 欧式距离
2.3.2 曼哈顿距离
2.3.3 余弦距离
2.3.4 汉明距离
2.4 卷积
2.4.1 一维卷积
2.4.2 二维卷积
2.5 机器学习基础
2.5.1 机器学习类别
2.5.2 分类算法
2.6 本章小结
第3章 计算机视觉原理与应用
3.1 计算机视觉介绍
3.2 颜色模型
3.2.1 彩色图像
3.2.2 灰度图像与二值图像
3.3 信号与噪声
3.3.1 信号
3.3.2 噪声
3.4 图像滤波
3.4.1 均值滤波
3.4.2 中值滤波
3.5 图像的几何变换
3.5.1 平移
3.5.2 旋转
3.5.3 缩放
3.6 图像特征
3.6.1 灰度直方图
3.6.2 LBP特征
3.6.3 Haar特征
3.6.4 HOG特征
3.7 本章小结
第4章 OpenCV基础与应用
4.1 OpenCV介绍
4.2 科学计算库Numpy
4.2.1 array类型
4.2.2 线性代数相关
4.2.3 矩阵的高级函数
4.3 OpenCV基本操作
4.4 图像的基本变换
4.4.1 颜色变换
4.4.2 几何变换
4.4.3 图像噪声处理
4.5 本章小结
第5章 深度学习与Keras工程实践
5.1 深度学习介绍
5.2 Keras框架简介
5.3 Keras的使用方法
5.3.1 深度学习的原理
5.3.2 Keras神经网络堆叠的两种方法
5.4 常用的神经网络层
5.4.1 全连接层
5.4.2 二维卷积层
5.4.3 池化层
5.4.4 BN层
5.4.5 dropout层
5.4.6 flatten层
5.5 激活函数
5.5.1 Sigmoid激活函数
5.5.2 Softmax激活函数
5.5.3 ReLU激活函数
5.5.4 Keras中激活函数的使用
5.6 优化器
5.6.1 SGD优化器
5.6.2 Adadelta优化器
5.7 损失函数
5.7.1 均方误差
5.7.2 交叉熵损失函数
5.7.3 Keras提供的损失函数
5.8 模型评估方法
5.8.1 交叉验证
5.8.2 分类器性能评估
5.9 数据增强
5.9.1 数据增强概述
5.9.2 Keras实现数据增强
5.9.3 自己实现数据增强
5.10 Keras的工程实践
5.10.1 训练时的回调函数
5.10.2 打印网络信息
5.10.3 输出网络结构图
5.10.4 获取某层的输出
5.11 本章小结
第6章 常用人脸识别算法
6.1 特征脸法
6.2 OpenCV的方法
6.2.1 人脸检测方法
6.2.2 人脸识别方法
6.3 Dlib的人脸检测方法
6.4 基于深度学习的图片特征提取
6.4.1 AlexNet
6.4.2 VGGNet
6.4.3 GoogLeNet
6.4.4 ResNet
6.5 基于深度学习的人脸检测
6.5.1 基于深度学习的目标检测
6.5.2 MTCNN
6.6 基于深度学习的人脸识别
6.6.1 基于度量学习的方法
6.6.2 基于边界分类的方法
6.7 本章小结
第7章 人脸识别项目实战
7.1 人脸图片数据集
7.1.1 Olivetti Faces人脸数据集
7.1.2 LFW人脸数据集
7.1.3 YouTube Faces人脸数据集
7.1.4 IMDB WIKI人脸数据集
7.1.5 FDDB人脸数据集
7.2 使用OpenCV的人脸检测
7.2.1 Haar级联分类器
7.2.2 OpenCV的SSD人脸检测器
7.3 使用Dlib的人脸检测
7.3.1 基于Hog- SV M的人脸检测
7.3.2 基于最大边界的对象检测器
7.4 深度学习实践
7.4.1 卷积神经网络实现
7.4.2 数据增强
7.4.3 自定义损失函数
7.4.4 数据预处理
7.4.5 模型训练
7.4.6 实现Web接口
7.4.7 模型调优与总结
7.5 人脸识别的拓展应用
7.6 本章小结
第8章 人脸识别工程化
8.1 云平台实践
8.1.1 云计算介绍
8.1.2 云服务的形式
8.1.3 云平台架构设计
8.2 服务API设计
8.2.1 人脸检测
8.2.2 人脸对比
8.3 人脸图片存储
8.4 人脸图片检索
8.5 本章小结
附录 参考文献
封底